组卷模型训练及其组卷方法、装置及计算机存储介质制造方法及图纸

本发明专利技术实施例提供一种组卷模型训练及其组卷方法、装置及计算机存储介质，所述组卷模型训练方法包括基于预设组卷策略生成多组训练组卷参数；利用遗传算法对各组训练组卷参数分别生成多套训练试卷；构建组卷模型，所述组卷模型的输入层包括多个基于多组训练组卷参数对应的预设组卷策略构建的组卷策略神经元，所述组卷模型的输出层包括多个基于各组所述训练组卷参数分别生成的多套所述训练试卷构建的训练神经元组；以及利用所述多组训练组卷参数以及与各组训练组卷参数对应的多套训练试卷训练构建的组卷模型。由此，本发明专利技术可提高组卷结果的鲁棒性和准确性。组卷结果的鲁棒性和准确性。组卷结果的鲁棒性和准确性。

【技术实现步骤摘要】
组卷模型训练及其组卷方法、装置及计算机存储介质


[0001]本专利技术实施例涉及教育互联网
，尤其涉及一种组卷模型训练及其组卷方法、装置及计算机存储介质。

技术介绍

[0002]在自适应学习中，面临的一个迫切需求是需要根据实际的教学和学习进度生成对应的试卷以检验学生的学习成果。而组卷的需求又是会经常性地发生变化，因为学习的知识点、难度进度自身是变化的，而所组的试卷也是需要根据新的进度进行针对性的调整。这就为老师和学生带来了非常大的负担和工作量，如果在自适应学习的产品中能够为教师或学生提供一个鲁棒性强且精度高的组卷方案，将能够显著提高教师和学生的学习体验，也能显著提高自适应学习的智能化程度。
[0003]现有的智能组卷技术所面临的主要问题是组卷算法的精度不高，且鲁棒性较差，且大都是采用遗传算法来进行组卷，而遗传算法面临的一个主要问题就是容易陷入局部最优解。虽然也有很多方案致力于解决遗传算法的局部最优解问题，但大多数方案还是没有能够较好地解决该问题。实际上，神经网络具有极强的表征能力和高准确度等优势，但目前还没有一种组卷方案采用神经网络来生成试卷。主要的原因来自于两个方面，一个是将智能组卷的参数和组卷结果适配到神经网络上的难度较大；另一个是缺乏充足的训练数据，因为现实世界中有效的试卷数量较少，难以保证神经网络能够得到充分地学习。

技术实现思路

[0004]有鉴于此，本专利技术实施例所解决的技术问题之一在于提供一种组卷模型训练及其组卷方法、装置及计算机存储介质，可以提升组卷结果的精度以及鲁棒性。
[0005]根据本专利技术实施例的第一方面，提供了一种组卷模型训练方法，所述方法包括：基于预设组卷策略生成多组训练组卷参数；利用遗传算法对各组所述训练组卷参数分别生成多套训练试卷；构建组卷模型，其中，所述组卷模型的输入层包括多个基于所述多组训练组卷参数对应的所述预设组卷策略构建的组卷策略神经元，所述组卷模型的输出层包括多个基于各组所述训练组卷参数分别生成的多套所述训练试卷构建的训练神经元组；以及利用所述多组训练组卷参数以及与各组所述训练组卷参数对应的多套所述训练试卷训练构建的所述组卷模型。
[0006]根据本专利技术实施例的第二方面，提供了一种组卷方法，所述方法包括：获取目标组卷参数；根据所述目标组卷参数，利用上述第一方面所述的组卷模型训练方法所训练的所述组卷神经网络模型生成多组目标组卷结果；以及基于预设筛选规则针对多组所述目标组卷结果进行筛选，并获得对应所述目标组卷参数的目标试卷。
[0007]根据本专利技术实施例的第三方面，提供了一种内储可读程序的计算机存储介质，所述计算机存储介质中存储有可完成上述第一方面所述的组卷模型训练方法的各所述步骤的指令；或所述计算机存储介质中存储有可完成上述第二方面所述的组卷方法的各所述步
骤的指令。
[0008]根据本专利技术实施例的第四方面，提供了一种组卷模型训练装置，所述装置包括：参数生成模块，用于基于预设组卷策略生成多组训练组卷参数；训练数据生成模块，用于利用遗传算法对各组所述训练组卷参数分别生成多套训练试卷；模型生成模块，用于构建组卷模型，其中，所述组卷模型的输入层包括多个基于所述多组训练组卷参数对应的所述预设组卷策略构建的组卷策略神经元，所述组卷模型的输出层包括多个基于各组所述训练组卷参数分别生成的多套所述训练试卷构建的训练神经元组；以及模型训练模块，用于利用所述多组训练组卷参数以及与各组所述训练组卷参数对应的多套所述训练试卷训练构建的所述组卷模型。
[0009]根据本专利技术实施例的第五方面，提供了一种组卷装置，所述装置包括：组卷参数获取模块，用于获取目标组卷参数；试卷生成模块，用于根据所述目标组卷参数，利用上述第四方面所述的组卷模型的训练装置所训练的所述组卷模型生成多组目标组卷结果；以及；试卷筛选模块，用于基于预设筛选规则针对多组所述目标组卷结果进行筛选，并获得对应所述目标组卷参数的目标试卷。
[0010]由以上技术方案可见，本专利技术实施例的组卷方案通过针对组卷策略生成多组训练组卷参数，并针对每一组训练组卷参数生成大量的训练试卷，为充分利用神经网络强表征、高精度的优势打下了数据基础。再者，基于遗传算法所生成的大量训练试卷，结合经过针对性设计以及适配后的组卷模型，最终构建出了一个鲁棒性强、准确度高的组卷算法方案，可以为新的组卷参数生成准确的组卷结果。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0012]图1示出了本专利技术的第一实施例的组卷模型训练方法的流程图；
[0013]图2至图7示出了图1的组卷模型训练方法的不同实施例流程图；
[0014]图8示出了本专利技术的第三实施例的组卷方法的流程图；
[0015]图9示出了本专利技术的第五实施例的组卷模型训练装置的基本架构图；以及
[0016]图10示出了本专利技术的第六实施例的组卷装置的基本架构图。
具体实施方式
[0017]为了使本领域的人员更好地理解本专利技术实施例中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术实施例一部分实施例，而不是全部的实施例。基于本专利技术实施例中的实施例，本领域普通技术人员所获取的所有其他实施例，都应当属于本专利技术实施例保护的范围。
[0018]下面结合本专利技术实施例附图进一步说明本专利技术实施例具体实现。
[0019]图1示出了本专利技术的第一实施例的组卷模型训练方法的流程示意图。如图1所示，本专利技术的组卷模型训练方法主要包括以下步骤：
[0020]步骤S1，基于预设组卷策略生成多组训练组卷参数，接着执行步骤S2。
[0021]本实施例中，训练组卷参数用于生成训练试卷，组卷策略用于使得利用训练组卷参数生成的训练试卷更具针对性且能够一定程度上贴近实际的教学需求。
[0022]举例而言，由于教师在组卷时更倾向于出教学大纲中重要程度高的知识点的相关试题，因此可通过预设组卷策略，使得利用所生成的训练组卷参数生成训练试卷时，让重要度程高的知识点被选中的概率高于重要程度低的知识点。
[0023]可选的，本专利技术的预设组卷策略包括但不限于以下元素中的至少一个：知识点重要程度、试题难度、题型。其中，知识点重要程度用于标识试题对应的知识点在教学大纲中的重要性；试题难度用于标识试题的解题难度；题型用于标识试题的种类，例如选择题、填空题、问答题等。
[0024]步骤S2，利用遗传算法对各组训练组卷参数分别生成多套训练试卷，即针对每一组训练组卷参数，均利用遗传算法生成多套训练试卷。
[0025]本实施例中，步骤S2可基于步骤S1所生成的训练组卷参数列表向量pl，采用遗传算法针对训练组卷参数列表向量中的每一个训练组卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种组卷模型训练方法，其特征在于，所述方法包括：基于预设组卷策略生成多组训练组卷参数；利用遗传算法对各组所述训练组卷参数分别生成多套训练试卷；构建组卷模型，其中，所述组卷模型的输入层包括多个基于所述多组训练组卷参数对应的所述预设组卷策略构建的组卷策略神经元，所述组卷模型的输出层包括多个基于各组所述训练组卷参数分别生成的多套所述训练试卷构建的训练神经元组；以及利用所述多组训练组卷参数以及与各组所述训练组卷参数分别对应的多套所述训练试卷训练构建的所述组卷模型。2.根据权利要求1所述的组卷模型训练方法，其特征在于，所述利用遗传算法对各组所述训练组卷参数分别生成多套训练试卷的步骤包括：针对第一组所述训练组卷参数生成第一套训练试卷；重复所述第一套训练试卷的生成过程，得到所述第一组训练组卷参数的多套所述训练试卷；以及重复针对所述第一组训练组卷参数的多套所述训练试卷的生成过程，得到每一组所述训练组卷参数的多套所述训练试卷；且其中，所述针对第一组所述训练组卷参数生成第一套训练试卷的步骤包括：根据所述第一组训练组卷参数随机生成初始试卷种群；对所述初始试卷种群依次执行交叉操作和变异操作，得到更新试卷种群；以及重复所述交叉操作与所述变异操作，对所述更新试卷种群进行迭代更新直至收敛，并从所述更新试卷种群中选取适应度值最大的个体作为所述训练组卷参数的第一套训练试卷。3.根据权利要求1所述的组卷模型训练方法，其特征在于，所述预设组卷策略包括以下元素中的至少一个：知识点重要程度、试题难度、题型。4.根据权利要求3所述的组卷模型训练方法，其特征在于，所述基于预设组卷策略生成多组训练组卷参数的步骤包括：生成所述预设组卷策略的第一组所述训练组卷参数；以及重复第一组所述训练组卷参数的生成过程，获得所述预设组卷策略的多组所述训练组卷参数；且其中，所述生成所述预设组卷策略的第一组所述训练组卷参数的步骤还包括：基于所述预设组卷策略中的第一元素随机生成第一元素向量列表，并基于所述第一元素向量列表生成第一单元组卷参数列表，其中，所述第一元素向量列表包含有所述第一元素中的多个第一子元素以及对应各所述第一子元素的不同赋值；基于所述预设组卷策略中的第二元素随机生成第二元素向量列表，并基于所述第二元素向量列表生成第二单元组卷参数列表，其中，所述第二元素向量列表包含有所述第二元素中的多个第二子元素以及对应各所述第二子元素的不同赋值；以及整合所述第一单元组卷参数列表与所述第二单元组卷参数列表，生成包含所述第一元素和所述第二元素的第一组所述训练组卷参数。5.根据权利要求4所述的组卷模型训练方法，其特征在于，所述构建组卷模型的步骤包括构建所述组卷模型的所述输入层的子步骤，所述子步骤包括：
基于所述预设组卷策略中的所述第一元素构建多个第一组卷策略神经元，以及基于所述预设组卷策略中的所述第二元素构建多个第二组卷策略神经元；以及获取所述第一元素中的各所述第一子元素的各所述赋值，据以设定各所述第一组卷策略神经元的参数值，以及获取所述第二元素中的各所述第二子元素的各所述赋值，据以设定各所述第二组卷策略神经元的参数值。6.根据权利要求5所述的组卷模型训练方法，其特征在于，所述构建组卷模型的步骤包括构建所述组卷模型的所述输出层的子步骤，所述子步骤包括：针对第一套所述训练试卷生成一个所述训练神经元组，其中，所述训练神经元组包含多个训练神经元及对应各所述训练神经...

【专利技术属性】
技术研发人员：何明，黄诚，
申请(专利权)人：北京易真学思教育科技有限公司，
类型：发明
国别省市：